[发明专利]基于反馈调节的物体识别方法及识别系统

说明书

本发明公开了一种基于反馈调节的物体识别方法，采用深度神经网络进行物体识别，包括如下步骤：视觉信息从较低层级进入深度神经网络，沿深度神经网络的前馈连接自下而上传播整合；其中，在物体识别的早期阶段，通过正向反馈抑制深度神经网络中不同类别之间相互干扰带来的类间噪声；在物体识别的后期阶段，通过反向反馈抑制深度神经网络中同一类别的物体由于彼此之间的相似性而混淆识别的类内噪声。本发明同时公开了一种采用上述方法的物体识别系统。

技术领域

本发明涉及一种物体识别方法，尤其涉及一种将正向反馈(push)-反向反馈(pull)结合起来，优化神经网络中记忆检索效果的物体识别方法，同时也涉及相应的物体识别系统，属于深度神经网络技术领域。

背景技术

认知神经科学的研究证明，人类对物体的认知识别存在特定的层级结构。例如，我们识别边境牧羊犬的过程是这样的：首先，判断它属于动物(最高级别)；然后，识别它为某种犬类(较高级别)；最后，辨别出它属于边境牧羊犬(较低级别)。在这一层级结构中，属于同一级别的物种的共性构成其较高级别的特性，例如边境牧羊犬和中华田园犬属于同一级别，它们的共性犬类构成了其较高级别的特性。在识别过程中，较高类别的特征之间的区别越大，越容易实现准确快速地辨别，并且能够帮助实现较低类别的识别。

深度神经网络(Deep Neural Network)是一种具备至少一个隐层的多层神经网络。它模仿了视觉通路的层级信息处理过程，在物体识别等应用领域取得了很大的成功。从结构上看，深度神经网络主要由低层到高层的前馈连接构成。然而，认知神经科学的实验数据表明，真实的神经系统中还存在非常丰富的由高层到低层的反馈连接。目前，对于反馈连接在神经系统中的作用，人们的认识程度还是很不够的。

天津大学在申请号为201110185644.1的中国专利申请中，提出了一种基于级联微神经网络的物体识别方法，包括如下步骤：根据输入样本图像的尺寸计算深度神经网络中级联卷积层的数目；构建深度级联微神经网络；设定该深度级联微神经网络的训练参数，采用随机梯度下降法进行训练；采用softmax分类器进行分类，并利用前向传播算法计算分类误差；利用反向传播运算更新神经网络中需要训练的参数的权重值；得到深度级联微神经网络，该级联微神经网络可以在不增加参数(运算复杂度)的情况下提高物体识别系统的识别性能。

发明内容

针对现有技术的不足，本发明所要解决的首要技术问题在于提供一种将正向反馈(push)-反向反馈(pull)结合起来，优化神经网络中记忆检索效果的物体识别方法。

本发明所要解决的另一技术问题在于提供一种采用上述方法的物体识别系统。

为实现上述的发明目的，本发明采用下述技术方案：

根据本发明实施例的第一方面，提供一种基于反馈调节的物体识别方法，采用深度神经网络进行物体识别，包括如下步骤：

视觉信息从较低层级进入深度神经网络，沿深度神经网络的前馈连接自下而上传播整合；其中，

在物体识别的早期阶段，通过正向反馈抑制深度神经网络中不同类别之间相互干扰带来的类间噪声；在物体识别的后期阶段，通过反向反馈抑制所述深度神经网络中同一类别的物体由于彼此之间的相似性而混淆识别的类内噪声。

其中较优地，所述深度神经网络中，各个层级之间同时具有前馈连接和反馈连接，而且在同一层神经元之间的递归连接是具有联想记忆功能的连接。

其中较优地，利用所述深度神经网络的层级结构存储物体分类信息，使记忆模块信息可以结构化地识别。

根据本发明实施例的第二方面，提供一种基于反馈调节的物体识别系统，包括处理器和存储器；所述存储器上存储有可用在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时实现如下步骤：

视觉信息从较低层级进入深度神经网络，沿深度神经网络的前馈连接自下而上传播整合；其中，